Jiandikishe sasa

Ingia

Nenosiri lililopotea

Umepoteza nywila yako? Tafadhali ingiza anwani yako ya barua pepe. Utapokea kiunga na utaunda nywila mpya kupitia barua pepe.

Ongeza chapisho

Lazima uingie ili kuongeza chapisho .

Ongeza swali

Lazima uingie ili kuuliza swali.

Ingia

Jiandikishe sasa

Karibu kwenye Scholarsark.com! Usajili wako utakupa ufikiaji wa kutumia huduma zaidi za jukwaa hili. Unaweza kuuliza maswali, toa michango au toa majibu, angalia maelezo mafupi ya watumiaji wengine na mengi zaidi. Jiandikishe sasa!

Utangulizi wa Maswali ya Kujifunza kwa Mashine katika Maswali ya Uchanganuzi wa Michezo & Majibu - Coursera

Nyumbani/ Utangulizi wa Maswali ya Kujifunza kwa Mashine katika Maswali ya Uchanganuzi wa Michezo & Majibu - Coursera

Utangulizi wa Maswali ya Kujifunza kwa Mashine katika Maswali ya Uchanganuzi wa Michezo & Majibu - Coursera

Machi 26, 2024 Coursera , Jizoeze Q&A 0 Maoni 23 maoni

Ingia katika ulimwengu mahiri wa uchanganuzi wa michezo ukiwa na maswali ya kuvutia na majibu ya kitaalamu Utangulizi wa Kujifunza kwa Mashine katika Uchanganuzi wa Michezo. Gundua jinsi kanuni za kujifunza mashine zinavyoleta mapinduzi katika uchanganuzi na utumiaji wa data ya michezo ili kutoa maarifa kuhusu uchezaji wa wachezaji., mikakati ya mchezo na zaidi. Maswali haya yatatumika kama lango la kuelewa matumizi ya kujifunza mashine katika michezo, kutoka kwa uundaji wa ubashiri hadi uboreshaji wa utendaji.

Iwe wewe ni shabiki wa michezo unaovutiwa na makutano ya sayansi ya kompyuta na michezo au mchambuzi wa data anayetaka kutafiti ulimwengu wa uchanganuzi wa michezo., mkusanyiko huu unatoa maarifa muhimu katika uwezo wa mashine Kila moja ya kozi/sehemu katika kozi hii kubwa inayokuja baada ya kuchukua kumbukumbu inapaswa kuonekana katika fremu hii ili kubadilisha sekta ya michezo. Jiunge nasi kwenye safari ya ugunduzi unaoendeshwa na data tunapochunguza mchanganyiko wa mashine uchambuzi wa kujifunza na michezo kufungua uwezekano mpya wa kuelewa na kuboresha utendaji wa michezo.

Maswali 1: Mgawo 1

Q1. Kuna matawi machache kuu ya kujifunza kwa mashine. Unapokuwa na lebo ya data yako ya mafunzo na unataka kuunda mfano ambao unatabiri kwa lebo hiyo, ni aina gani ya kujifunza kwa mashine hiyo?

  • Inasimamiwa
  • Kuimarisha
  • Bandia
  • Bila kusimamiwa

Q2. Ni aina gani ya data ya wachache?

  • Lebo ambazo zimechaguliwa vibaya
  • Lebo ambazo ni rahisi kutabiri
  • Lebo kuhusu demografia ya wachezaji
  • Lebo una matukio machache zaidi

Q3. Je, unatoa data gani kwa kanuni ya kujifunza ya mashine ili kujifunza kutoka kwayo?

  • Data ya mafunzo
  • Data ya uthibitishaji
  • Data ya tathmini
  • Data ya majaribio

Q4. Katika mfano wangu wa data ya mchezo wa NHL nililazimika kushughulika na kuanzishwa kwa timu mpya, Vegas Golden Knights. Kwa timu hii niliamua kwa ujinga tu kujaza takwimu za kihistoria na maadili ya wastani kutoka kwa timu zingine. Lakini fikiria kwamba nilichukua mkakati tofauti, na kuacha michezo yote ambayo Vega Gold Knights ilicheza. Ni kipimo gani kipya cha usahihi cha mfano wangu baada ya kuacha michezo ya Gold Knights kutoka kwa data?

Kwa swali hili, usibadilishe ukubwa wa seti ya mafunzo, na saizi ya seti ya majaribio itapungua kiotomatiki. Weka jibu lako katika sehemu mbili za desimali.

Ingiza jibu hapa

Wiki 2: Utangulizi wa Kujifunza kwa Mashine katika Majibu ya Maswali ya Uchanganuzi wa Michezo

Maswali 1: Mgawo 2

Q1. Katika darasa mbili za mstari wa SVM, mtaani ni nini?

  • Kutembea nasibu kwa vekta za usaidizi
  • Mlinganyo wa polinomia ambao unawakilisha vyema madarasa
  • Vipengele viwili vinavyounda SVM yetu
  • Hyperplane ambayo hutenganisha madarasa mawili

Q2. Ni kazi gani unayoita ili kuunda mfano kutoka kwa data kwenye sklearn?

  • mfano()
  • treni()
  • kujenga()
  • inafaa()

Q3. Ni nini madhumuni ya uthibitishaji wa msalaba?

  • Ili kusawazisha data tunapopata madarasa zaidi (Ninawapa masanduku wanafunzi chumbani na kuwauliza wajaribu kujua kila sanduku lina nini bila kufunguliwa) kutabiri
  • Ili kupata makisio bora zaidi juu ya usahihi wa mfano wa mwisho
  • Ili kuunda mfano sahihi zaidi
  • Ili kujenga matrix ya kuchanganyikiwa

Q4. Kuangalia data ya besiboli ambapo tulifanya utabiri wa aina nyingi, tengeneza matrix ya kuchanganyikiwa na usome. Ni darasa gani tunalotabiri zaidi mara kwa mara zaidi? Toa lebo ya darasa hili kama herufi mbili zenye herufi kubwa (k.m. AB).

Ingiza jibu hapa

Q5. Je, darasa hili litakuwa na usahihi wa juu zaidi au alama ya kukumbuka?

  • Shinikizo la juu la damu linaweza kupunguza usambazaji wa damu kwa ubongo wako
  • utangulizi

Wiki 3: Utangulizi wa Kujifunza kwa Mashine katika Majibu ya Maswali ya Uchanganuzi wa Michezo

Maswali 1: Mgawo 3

Q1. Inamaanisha nini kwa seti ya uchunguzi kuwa "safi"?

  • Haina usawa kwa heshima ya darasa
  • Ni usawa kwa heshima na darasa
  • Inahusu timu au mchezaji wa Kanada
  • Ni sawa kwa heshima na darasa

Q2. Kwa kila mgawanyiko, CART inagawanyika vipengele vingapi mara moja?

  • 1
  • Nambari yoyote
  • Wote
  • 0

Q3. Mti wa M5P hufanya lengo la aina gani la utabiri?

  • Lebo
  • Thamani ya nambari
  • safu

Q4. Baada ya mti wa uamuzi kugawanyika kwenye kipengele, itagawanyika tena kwenye kipengele hicho kwenye mti mdogo?

  • Hapana
  • Labda
  • Ndio

Q5. Rudi kwenye kazi yetu ya kutabiri matokeo ya mchezo wa NHL katika observations.csv. Tumia CART DecisionTree kwa tatizo hili na GridSearchCV juu ya nafasi ifuatayo ya kigezo:

vigezo={'kina_cha juu':(3,4,5,6,7,8,9,10),
'sampuli_za_jani':(1,5,10,15,20,25)}

Weka cv=10 yako, tumia usahihi kama kipimo chako, na kuacha Vegas Golden Knights. Weka seti yako ya mafunzo kuwa uchunguzi[0:800] na uthibitisho wako umewekwa kwa uchunguzi[800:], na utumie nambari yangu ninayopenda kwa hali ya bahati nasibu. Ni kiwango gani cha usahihi ambacho mfano wako hutoa (hadi nafasi nne za desimali)?

Ingiza jibu hapa

Q6. Ni seti gani ya vigezo ni bora katika mfano uliopita? Ingiza vigezo vyako kama thamani ya mfuatano wa max_depth:sampuli_za_jani, k.m. 5:20 ikiwa GridSearchCV imepata max_depth=5 na min_samples_leaf=20 jibu sahihi.

Ingiza jibu hapa

Wiki 4: Utangulizi wa Kujifunza kwa Mashine katika Majibu ya Maswali ya Uchanganuzi wa Michezo

Maswali 1: Mgawo 4

Q1. Ikiwa ulikuwa unatengeneza kiainishaji kwa kutumia vipengee viwili na ukaona data yako na kuona imetenganishwa na takriban a 45 shahada, ni darasa gani ungeanza nalo kwanza kwa matokeo bora?

  • SVM
  • Matrix ya Kuchanganyikiwa
  • Mti wa M5P
  • Mti wa Uamuzi

Q2. Nini madhumuni ya GridSearch?

  • Ni utaratibu wa kurudisha nyuma kwa kutumia miti ya maamuzi.
  • Inaboresha uelewa wetu wa matrix ya mkanganyiko.
  • Inasaidia kukata majani kutoka kwa miti mikubwa.
  • Inatoa njia ya kurekebisha hyperparameta.

Q3. Ni aina gani ya njia ya kukusanyika inakuundia viainishi vingi na vijisehemu vidogo vya data?

  • Kukuza
  • Bagging
  • Kupiga kura
  • Kuweka mrundikano

Q4. Ni aina gani ya waundaji wanaweza kuunganishwa pamoja katika mkusanyiko wa kupiga kura kwa tatizo la kugundua ngumi za ndondi (chagua yote yanayotumika)?

Kumbuka kuwa tatizo la kugundua ngumi ni kazi ya uainishaji.

  • Miti ya Uamuzi
  • SVM
  • SVM za Polynomial
  • Urejeshaji wa Mstari
  • Urejeshaji wa vifaa
  • Uthibitishaji wa Msalaba
  • Bagging Classifier
  • Kiainisho cha Kuongeza Gradient
  • Kiainishaji cha Ufungaji
Helena Benard

Kuhusu Helen Bassey

Okta, I'm Helena, mwandishi wa blogu ambaye ana shauku ya kuchapisha yaliyomo ndani ya niche ya elimu. Ninaamini kuwa elimu ni ufunguo wa maendeleo binafsi na kijamii, na ninataka kushiriki ujuzi na uzoefu wangu na wanafunzi wa umri na asili zote. Kwenye blogi yangu, utapata makala juu ya mada kama vile mikakati ya kujifunza, elimu mtandaoni, mwongozo wa kazi, na zaidi. Pia ninakaribisha maoni na mapendekezo kutoka kwa wasomaji wangu, kwa hivyo jisikie huru kuacha maoni au kuwasiliana nami wakati wowote. Natumai utafurahiya kusoma blogi yangu na unaona kuwa ni muhimu na ya kutia moyo.

Acha jibu